Un equipo de investigación ha desarrollado un método innovador que utiliza vehículos aéreos no tripulados (UAV) y técnicas de aprendizaje profundo para identificar con precisión los estados de las espigas en campos de hibridación de maíz antes y después del desespigado manual.
por la Universidad Agrícola de NanJing
Este enfoque mejora significativamente la precisión de la detección de borlas, logrando hasta un 98 %, mediante el uso de estrategias específicas de anotación y aumento de datos. Esta investigación tiene un valor significativo para mejorar la detección de borlas en campos agrícolas, reduciendo potencialmente el trabajo manual y aumentando la eficiencia del manejo de cultivos a través de sistemas de análisis avanzados basados en UAV.
El maíz es uno de los cultivos más importantes de China, y el seguimiento de la etapa de formación de panojas es crucial para las operaciones de mejoramiento del maíz. Los recientes avances en la tecnología de vehículos aéreos no tripulados los han hecho valiosos para el seguimiento detallado de los cultivos. Sin embargo, las grandes cantidades de datos de imágenes generados plantean importantes desafíos de procesamiento. Los métodos actuales que utilizan marcos de aprendizaje profundo basados en CNN para la detección de panojas enfrentan dificultades con la adquisición y el etiquetado de datos, y las técnicas tradicionales de procesamiento de imágenes tienen una eficacia limitada.
Un estudio publicado en Plant Phenomics el 7 de mayo de 2024 tiene como objetivo abordar estos desafíos mediante el desarrollo de modelos de detección precisos y conjuntos de datos anotados para las etapas de crecimiento dinámico de las espigas del maíz.
Esta investigación seleccionó un modelo apropiado para aplicaciones prácticas de detección de borlas mediante la evaluación de diferentes versiones del modelo de red RTMDet. En primer lugar, se identificaron los recursos computacionales necesarios para la implementación del modelo, considerando los tamaños de los parámetros y los requisitos de recursos. Luego se evaluaron los modelos en cuanto a precisión de reconocimiento de objetos, en particular mAP@0.5, reconociendo diferencias en precisión entre categorías de objetos. También se evaluó la velocidad de inferencia, crucial para aplicaciones en tiempo real.
Los modelos RTMDet, desde las versiones Tiny hasta X, se entrenaron en el conjunto de datos NSL-C. La precisión de detección promedio difirió en un máximo de 1,1%, y la versión X generalmente tuvo el mejor rendimiento, excepto en la detección de Borla-L, donde la versión L sobresalió. Se seleccionó la versión S por su rendimiento equilibrado y eficiencia de recursos.
Además, los modelos RTMDet-S se entrenaron con los conjuntos de datos NSL-A, NSL-B y NSL-C para evaluar su precisión en la detección de borlas en diferentes etapas de crecimiento. Las pruebas realizadas con el conjunto de datos NSL-T demostraron que el modelo RTMDet-NSL-C logró el mejor rendimiento general, especialmente en la detección de Tassel-N con una precisión del 99,8 % y Tassel-S con un error mínimo. Este método demostró ser eficaz para identificar con precisión los estados de las borlas en imágenes de UAV, lo que proporciona una solución sólida para el monitoreo y la gestión de las borlas del maíz en tiempo real.
Según el investigador principal del estudio, Chunjiang Zhao, «este estudio, que está diseñado para escenarios de aplicación del mundo real, proporciona nuevos conocimientos sobre el análisis de los estados de las espigas en campos de hibridación de maíz utilizando drones. Como resultado, se ha desarrollado un novedoso sistema inteligente basado en En el futuro se podrán desarrollar imágenes de teledetección UAV para un análisis semántico rápido y a gran escala de los campos de hibridación de maíz, lo que reducirá la dependencia de estudios de campo manuales y ayudará a los administradores en su toma de decisiones».
En resumen, este estudio presenta un método innovador para evaluar el estado de la espiga del maíz utilizando imágenes de vehículos aéreos no tripulados y aprendizaje profundo. Esta investigación allana el camino para el desarrollo de sistemas inteligentes basados en imágenes de detección remota de vehículos aéreos no tripulados, lo que permite un análisis rápido y a gran escala de los campos de hibridación de maíz y reduce la dependencia de estudios manuales, lo que en última instancia ayuda a una gestión y toma de decisiones más eficientes de los cultivos.
Más información: Jianjun Du et al, Detección e identificación de estados de borlas en diferentes etapas de formación de borlas de maíz mediante imágenes de UAV y aprendizaje profundo, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0188
